1. 课程导入与农业图像光照问题概览

在温室、大田、果园和畜禽舍里，摄像头几乎全天候工作，但拍到的图像质量却远不如实验室。清晨逆光让叶片变成剪影，正午强光在果面上形成高光斑，阴天则整体发灰、对比度不足，夜间补光灯又带来色偏和局部过曝。这些现象的共同根源是光照条件不可控。农业图像增强与光照校正，正是围绕这一现实约束展开的一类图像处理技术：它不改变成像硬件，而是通过算法对已采集的图像进行亮度重分布、对比度重建、色彩校正与光照分量分离，使后续的检测、分割、计数和测量任务获得更稳定的输入。

需要先厘清两个容易混淆的概念。图像增强是一个较宽泛的目标，指提升图像在视觉或机器可读性上的质量，包括去噪、锐化、超分辨、去雾等；光照校正则聚焦于光照因素引起的退化，强调对亮度不均、过曝欠曝、色温偏移、阴影遮挡的补偿。二者关系是包含与交叉：光照校正是增强的一个子问题，但增强不一定处理光照。在本课程中，我们把二者放在同一条处理链上理解——先诊断光照问题的类型，再选择校正手段，最后用增强手段收尾，而不是盲目套用某个滤镜。

上图把本节的核心逻辑压缩成一条链：左侧是光照来源，中间是它在图像上的具体退化表现，右侧是校正与增强的处理顺序，最终服务于下游农业视觉任务。注意处理链中诊断在前、估计居中、评估收尾的顺序并非随意排列——跳过诊断直接调参，往往会把低对比图像越拉越脏；缺少评估环节，则无法判断校正是否真的帮助了识别模型。

光照变化为什么对农业图像分析影响这么大

农业图像的被摄对象具有两个特殊性：一是颜色本身就是关键特征，叶片黄化、果实转色、病斑褐变都依赖色彩判读；二是场景动态范围极大，树冠顶部受直射光、冠层内部处于阴影，同一幅图中亮度可能跨越三到四个数量级。当光照变化时，同一片叶子的 RGB 值可能从 (60, 120, 45) 漂移到 (150, 200, 130)，基于固定阈值的颜色分割会直接失效。更隐蔽的影响在于纹理：过曝区域的高光饱和会抹平病斑的细微纹理，而欠曝区域的量化噪声会被后续锐化放大，形成伪边缘。

以一个可复现的教学示例说明。假设我们在番茄温室采集一幅 640×480 的图像，用 HSV 空间做成熟果实分割，初始阈值取 H∈[0,10]∪[160,180]、S≥80、V≥60。在顺光条件下该阈值可检出约 90% 的红色果实；但同一场景在午后逆光拍摄时，果实朝向镜头的一侧 V 值降到 40 以下，被阈值直接排除，检出率可能跌到 50% 左右。此时若简单把 V 下限降到 20，阴影中的土壤和支架也会被误判为果实。正确的做法是先做光照校正：用引导滤波估计光照分量 L，按 I/L 得到反射分量 R，再对 R 做 CLAHE（clipLimit 取 2.0～3.0，tileGridSize 取 8×8），最后重新统计 V 通道分布并调整阈值。这一流程的每一步都可以在 OpenCV 中几行代码完成，本课程后续章节会逐一展开。

典型应用场景与课程学习路径

本课程面向的场景覆盖四类典型农业视觉任务：设施园艺中的果实计数与成熟度分级，光照以人工补光为主，需处理频闪与色偏；大田作物中的病害识别与长势监测，光照随天气和时段剧烈变化，需处理逆光与阴影；果园采摘机器人的视觉引导，需在树冠遮挡下保持目标可分辨；畜禽舍与水产监控，需处理低照度与红外补光下的色彩失真。四类场景的光照退化机理不同，校正策略也应有所侧重，这也是课程不采用单一"万能增强算法"的原因。

整体学习路径按"诊断—校正—增强—评估—落地"五段推进：先建立光照退化的分类与量化描述能力，掌握直方图、亮度分布、色温估计等诊断工具；再学习 Retinex 系列、同态滤波、引导滤波等光照分量分离方法，以及 Gamma、CLAHE、自适应映射等亮度重分布手段；随后进入色彩校正与去噪锐化的组合使用；最后以真实农业数据集完成端到端项目，用 PSNR、SSIM 与下游任务指标共同评估效果。实战项目将围绕一个温室番茄图像数据集展开，从原始采集图像出发，完成光照诊断报告、校正流水线搭建、参数对比实验与识别精度验证，形成可复用的处理脚本与实验记录。